STUDI ANALISIS PENGENALAN POLA TULISAN TANGAN ANGKA ARABIC (INDIAN) MENGGUNAKAN METODE K- NEAREST NEIGHBORS

S

TUDI

A

NALISIS

P

ENGENALAN

P

OLA

T

ULISAN

T

ANGAN

A

NGKA

A

RABIC

(I

NDIAN

)

M

ENGGUNAKAN

M

ETODE

K-

N

EAREST

N

EIGHBORS

DAN

C

ONNECTED

C

OMPONENT

L

ABELING

ANALYSIS STUDY OF PATTERN RECOGNITION ARABIC (INDIAN) HANDWRITING USE THE

METHOD OF K-NEAREST NEIGHBORS AND CONNECTED COMPONENT LABELING

Roni Akbar*, Eko Adi Sarwoko

*Email : roniakbar93@gmail.com

Jurusan Ilmu Komputer/Informatika Fakultas Sains dan Matematika Universitas Diponegoro, Semarang

Abstract — Tulisan tangan merupakan hasil menulis, dengan tangan (bukan ketikan). Gaya penulisan setiap orang tidak

sama. Salah satu bahasa resmi Perserikatan Bangsa-Bangsa (PBB), bahasa Arab, memiliki penulisan angka yang dikenal sebagai angka Arabic (Indian). Identifikasi ciri-ciri membantu manusia untuk membedakan suatu pola dengan pola lainnya. Pengelompokan pola ini dapat diterapkan kepada mesin untuk tujuan mengenali suatu objek tulisan pada citra. Connected component labeling digunakan untuk pemotongan karakter menjadi bagian yang tidak saling terhubung satu sama lain agar mudah dikenali. K- nearest neighbors (KNN)adalah metode yang digunakan untuk mencari seberapa besar kecocokan antara citra uji dengan citra latih berdasarkan pada kelas dari tetangga terdekat. Pada studi analisis ini telah dilakukan pengujian dengan menggunakan 100 citra uji. Tiga hasil klasifikasi terbaik dari pengenalan pola tulisan tangan angka Arabic (Indian) menggunakan metode k- nearest neighbors(KNN) adalah 86% saat nilai k = 1, 84% dengan nilai k = 3, dan 83% dengan k = 5.

Kata kunci: Pengenalan Pola, Tulisan Tangan, Angka Arabic (Indian), Connected Component Labeling, K- Nearest

Neighbors.

Abstract — Handwriting refers to the result of writing by hand (not typed). The writing style of people are not the same.

One of the United Nations official languages, Arabic, has a numerical system known as Arabic (Indian) numeral. The identification of feature help humans to be able distinguish the patterns. The grouping patterns can be applied to the machine for recognizing object in the image. Connected component labeling is used for separating characters to be easily recognizable. K- nearest neighbors is used to find the similarity value between query image and template images are based on the nearest neighbors class. This analytical study was tested using 100 test images. The top three classification results of Arabic (Indian) handwritten recognition use k- nearest neighbors (KNN) are 86% when k = 1, 84% when k = 3, and 83% with k = 5.

Keywords: Pattern recognition, handwriting, Arabic Number (Indian), Connected Component Labeling, K- Nearest

Neighbors.

I. P

ENDAHULUAN

Tulisan tangan merupakan hasil menulis, barang yang ditulis ataupun cara menulis dengan tangan (bukan ketikan) [1]. Manusia memiliki kemampuan dalam pengenalan tulisan tangan melalui proses pembelajaran, namun ada beberapa kendala yang mungkin ditemukan saat pengenalan, sehingga tulisan tangan menjadi sulit dibaca.

Perserikatan Bangsa-Bangsa (PBB) menetapkan ada 6 bahasa sebagai bahasa resmi (official

languanges) di lembaga internasional tersebut, yakni

China, Inggris, Prancis, Rusia, Spanyol, dan Arab [2]. Bahasa Arab, walaupun menggunakan sistem penomoran yang sama, namun bentuk karakter angka yang digunakan berbeda dari angka modern yang dipakai saat ini. Angka dalam bahasa Arab dikenal sebagai angka Arabic (Indian) [3].

Pengenalan tulisan tangan (handwriting

recognition) adalah kemampuan komputer untuk

dapat menerima dan menafsirkan input citra tulisan tangan yang dapat dimengerti dari sumber seperti dokumen kertas, foto, layar sentuh dan perangkat lainnya [4].

Pola merupakan entitas yang terdefinisi dan dapat diidentifikasi melalui ciri-cirinya. Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan pola lainnya. Ciri yang bagus adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi. Ciri pada suatu pola diperoleh dari hasil pengukuran terhadap objek uji [5].

Template matching adalah salah satu metode

yang dapat digunakan dalam tahapan terakhir pengenalan pola, yakni tahapan klasifikasi. Template

matching ini bekerja dengan cara mencocokan

tiap-tiap bagian dari suatu citra uji dengan citra yang menjadi template [6]. Classifier k- nearest neighbors (KNN) membantu menentukan kelas di mana k tetangga terdekat untuk melakukan klasifikasi sebuah objek [7].

Segmentasi digunakan untuk memisahkan karakter yang ada pada citra agar tidak bergabung satu sama lain. Connected component labeling merupakan metode segmentasi untuk memisahkan objek dan tidak terpengaruh pada kemiringan objek [8].

Pada tulisan ini dikaji studi analisis pengenalan pola tulisan tangan menggunakan metode k-nearest

neighbors dan connected component labeling.

Diharapkan studi analisis ini dapat mengenali dan mengklasifikasikan nilai tulisan tangan berupa objek dari bahasa negara lain, yakni angka Arabic (Indian) dengan metode k- nearest neighbors.

II. T

INJAUAN

P

USTAKA A. Metode Pengembangan

Studi analisis ini mengunakan metode pengembangan model sekuensial linier. Tahap-tahap utama dari model ini memetakan kegiatan-kegiatan pengembangan dasar yaitu seperti di bawah ini [9].

1) Analisis

Proses pengumpulan kebutuhan diintensifkan dan difokuskan, khususnya pada perangkat lunak. Untuk memahami sifat program yang dibagun, perekayasa perangkat lunak (analis) harus memahami domain informasi, tingkah laku, unjuk kerja, dan antarmuka (interface) yang diperlukan.

2) Design

Proses multi langkah yang berfokus pada empat atribut sebuah program yang berbeda; struktur data, arsitektur perangkat lunak, representasi interface, dan detail (algoritma) prosedural. Proses desain menerjemahkan syarat/ kebutuhan ke dalam sebuah representasi perangkat lunak yang dapat diperkirakan demi kualitas sebelum dimulai pemunculan kode.

3) Code

Desain harus bisa diterjemahkan ke dalam

bentuk mesin yang bisa dibaca. Langkah pembuatan kode melakukan tugas ini. Jika desain dilakukan dengan cara yang lengkap, pembuatan kode dapat dilakukan secara mekanis.

4) Test

Proses pengujian berfokus pada logika internal perangkat lunak, memastikan bahwa semua pernyataan sudah diuji, dan pada ekternal fungsional yaitu mengarahkan pengujian untuk menemukan kesalahan–kesalahan dan memastikan bahwa input yang dibatasi memberikan hasil aktual yang sesuai dengan hasil yang dibutuhkan.

B. Pengolahan Citra

Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya baik. Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila [5]:

• perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra • elemen di dalam citra perlu dikelompokan,

dicocokan atau diukur, dan

• sebagian citra perlu digabung dengan bagian citra yang lain.

C. Preprocessing Image

Tahapan preprocessing pada studi analisis ini antara lain di bawah ini.

1) Grayscalling

Grayscalling merupakan proses pengolahan citra

untuk mengubah citra berwarna yang mempunyai nilai matrik masing-masing r, g, dan b menjadi citra

grayscale. Berdasarkan pengujian sensitivitas mata

manusia terhadap warna, grayscalling dilakukan dengan weighted method, seperti dalam persamaan (1) [10].

Y = ((0.3 ∗ r) + (0.59 ∗ g) + (0.11 ∗ b)) (1) Metode ini mengurangi kontribusi red dan blue yang muncul, dan memberikan kontribusi yang lebih besar pada green. Nilai kontribusi yang diberikan pada masing-masing warna adalah sebesar 30% red, 59% green, 11% blue.

2) Thresholding

Thresholding merupakan konversi dari citra

hitam-putih ke citra biner dilakukan dengan operasi pengambangan. Operasi pengambangan citra mengelompokkan nilai derajat keabuan setiap piksel ke dalam 2 kelas, hitam dan putih. Pengambangan secara global, setiap piksel yang terdapat di dalam citra dipetakan menjadi dua nilai, yaitu 1 atau 0 dengan fungsi pengambangan dapat dilihat pada persamaan (2) [5].

݂஻(݅, ݆) = {

1, ݂௚(௜,௝)< ܶ

0, ݈ܽ݅݊݊ݕܽ (2)

3) Filtering

Filtering sebagai teknik untuk memodifikasi atau meningkatkan mutu citra. Sebagai contoh, teknik ini dapat memfilter sebuah citra untuk mengutamakan fitur tertentu dan membuang fitur yang lain (derau). Operasi filtering secara matematis ditunjukkan pada persamaan (3) [11]. )) ,x+ f (y+ ,x), ), f (y+ ,x-),f (y+ + f (y,x ),f (y,x), ), f (y,x-,x+ f ,x), ), f (y- ,x-ian(f (y-g(x,y)=med 1 1 1 1 1 1 1 1 1 1 1 1 (3) 4) Auto cropping

Autocropping merupakan proses pemotongan

citra pada koordinat tertentu pada area citra. Untuk memotong bagian dari citra digunakan dua koordinat, yaitu koordinat awal yang merupakan awal koordinat bagi citra hasil pemotongan dan koordinat akhir yang merupakan titik akhir koordinat dari citra hasil pemotongan. Sehingga membentuk bangun segi empat yang mana tiap– tiappiksel yang ada pada area koordinat tertentu dan disimpan dalam citra yang baru [5].

5) Scalling

Sebuah operasi geometri yang memberikan efek memperbesar atau memperkecil ukuran citra input sesuai dengan variabel penskalaan citranya. Ukuran baru hasil penskalaan didapat melalui perkalian antara ukuran citra input dengan variabel penskalaan [12].

6) Invert/Logical NOT

Invers atau logika NOT pada pengolahan citra memberikan keluaran hasil berupa kebalikan dari citra input. Penggunaan logika NOT pada citra biner sangat sederhana, apabila citra input bernilai 1 maka keluaran bernilai 0, sebaliknya input bernilai 0 menghasilkan keluaran bernilai 1 [12].

D. Connected Component Labeling

Connected component labelling merupakan

teknik yang juga bisa digunakan untuk mengklasifikasikan region atau objek dalam citra digital. Teknik ini memanfaatkan teori

connectivitypiksel pada citra. Piksel-piksel dalam region disebut connected (ada konektifitasnya atau connectivity) bila mematuhi aturan adjacency atau

aturan kedekatan piksel. Aturan kedekatan piksel ini memanfaatkan sifat ketetanggaan piksel. Dengan demikian piksel-piksel yang dikatakan connected pada dasarnya memiliki sifat adjacency satu sama lain karena mereka masih memiliki hubungan

neighborhood atau ketetanggaan [12].

E. Template Matching

Template matching adalah suatu teknik untuk

mengukur kesamaan dari dua gambar digital, untuk menentukan apakah kedua gambar sama atau tidak [13]. Teori ini didukung oleh pendapat Darma Putra yang menyatakan bahwa template matching

merupakan proses mencari suatu objek (template) pada keseluruhan objek yang berada dalam suatu citra. Template dibandingkan dengan keseluruhan objek tersebut dan bila template cocok (cukup dekat) dengan suatu objek yang belum diketahui pada citra tersebut maka objek tersebut ditandai sebagai

template [12].

F. K- Nearest Neighbors

Ide dasar dari klasifikasi k- nearest neighbours (KNN) cukup sederhana, yaitu klasifikasi yang didasarkan pada kelas dari tetangga terdekat. Klasifikasi ini memungkinkan untuk mengambil lebih dari satu tetangga, teknik ini biasa disebut klasifikasi k- nearest neighbors (KNN) di mana k tetangga terdekat digunakan untuk menentukan kelas [7]. Melalui pendekatan yang lebih modern, klasifikasi KNN, mencari sebuah kelompok dari k objek di dalam training set yang paling dekat dengan objek yang diuji dan berdasarkan pada dominansi kelas di lingkungannya. Ada tiga elemen kunci dalam pendekatan ini yaitu sebuah kelompok objek berlabel, sebuah jarak atau persamaan

matematika untuk menghitung jarak antara objek-objek, dan nilai k (nilai yang menandakan banyaknya tetangga) [14].

III. A

NALISIS DAN

R

ANCANGAN A. Proses Kerja Aplikasi

Studi analisis pengenalan pola tulisan tangan angka Arabic (Indian) menggunakan metode

k-nearest neighbors (KNN) dan connected component labeling digunakan untuk mengenali dan mengklasifikasikan kelas angka modern dari angka

Arabic (Indian) citra tulisan tangan. Pada pelaksanaan studi analisis ini, diperlukan analisis kebutuhan yang jelas sebagai tujuan utama agar memenuhi harapan dan rencana yang telah ditetapkan. Proses kerja aplikasi pada studi analisis ini terdiri dari beberapa langkah. Secara umum, proses keseluruhan aplikasi dapat dilihat pada Gambar-1. Start Input citra ( *.jpg ) Segmentation menggunakan connected component labeling Character Recognition menggunakan k- Nearest Neighbors Teks / karakter hasil pengenalan objek End Filtering Thresholding Auto cropping Scalling (128x128)

Citra latih angka

Arabic (Indian)

Thresholding

Invert / Logical NOT Grayscalling

Gambar-1. Diagram studi analisis pengenalan pola tulisan tangan angka Arabic (Indian) secara umum.

Citra input merupakan citra yang diuji. Pada citra

input dilakukan proses perbaikan citra dengan preprocessing. Tahap pertama proses preprocessing

dalam aplikasi ini adalah grayscalling yang bergunauntuk merubah citra berwarna menjadi citra keabuan. Tahap kedua yakni thresholding, proses ini mengubah citra keabuan menjadi citra biner. Tahap selanjutnya, proses filtering yang dapat memodifikasi citra dengan meningkatkan kualitas citra dan menghilangkan derau yang ada. Setelah citra uji di-preprocessing, user dapat memilih secara manual batas objek yang ingin dikenali. Batasan objek kemudian disegmentasi dengan tujuan agar karakter pada citra dapat dikenali satu persatu. Segmentasi menggunakan metode connected component labeling.

Objek yang dipisahkan kemudian ditampilkan pada interface aplikasi dan masuk pada axes GUI. Pada objek yang telah berada pada axes GUI dikenai proses auto cropping. Tujuan dari proses auto

cropping ini untuk memotong piksel yang tidak

termasuk objek. Selanjutnya, scalling, proses ini berguna untuk menyamakan ukuran citra setelah

auto cropping selesai dilakukan.

Ukuran citra disamakan menjadi 128x128 piksel, sesuai dengan ukuran citra pada direktori penyimpanan. Setelah proses scalling, nilai intensitas piksel pada citra pun berubah. Sehingga perlu dilakukan proses thresholding kembali untuk mendapatkan nilai citra biner. Proses thresholding yang digunakan sama dengan proses thresholding setelah citra dikenai proses grayscalling. Kemudian citra yang telah di-thresholding dikenai proses logika NOT, yang membalik warna citra hitam menjadi citra berwarna putih, dan sebaliknya.

Tahap akhir, pengenalan pola citra dilakukan dengan mengklasifikasikan jarak euclidean terdekat antara citra uji dan citra latih menggunakan

classifier k- nearest neighbors (KNN) sesuai nilai k

yang ditentukan user. B. Segmentasi Karakter

Pada proses segmentasi karakter ini dilakukan menggunakan metode connected component labeling pada citra angka Arabic (Indian) yang telah

melalui proses negasi menjadi citra biner. Masing-masing region (kandidat yang menjadi karakter) memiliki label yang berbeda, sehingga dapat dilakukan pemotongan karakter menjadi bagian yang tidak saling terhubung satu sama lain agar mudah dikenali.

Penandaan komponen terhubung dilakukan dengan memeriksa suatu citra, piksel per-piksel (dari

kiri ke kanan dan atas ke bawah) untuk mengidentifikasi area piksel terhubung yaitu suaru area dari piksel berbatasan yang memiliki nilai intensitas sama atau nilai intensitas berada dalam suatu himpunan V, menghasilkan suatu labeled

image dimana nilai tiap piksel-nya adalah nilai label

dari connected component-nya. Image dipisahkan dengan memotong piksel sesuai label yang dimiliki. C. Pengenalan Karakter

Pada proses ini dilakukan pengenalan terhadap angka Arabic (Indian) yang sudah terpisah melalui proses segmentasi. Masing-masing karakter dicocokan menggunakan metodek-nearest neighbors (KNN), yang baru diklasifikasikan berdasarkan mayoritas dari kategori pada KNN. Classifier tidak menggunakan model apapun untuk dicocokkan dan hanya berdasarkan pada memori. Datacitra latih pada KNNyang digunakan adalah 100 pola yang mewakili karakter numerik (0 sampai 9)Arabic (Indian). Detail alur pengenalan karakter menggunakan k-nearest neighbors (KNN) dapat dilihat pada Gambar-2.

start

input u, k, latih

teks / karakter hasil pengenalan objek

End

jarak = euclideandistance(latih, u)

data_knn = [minimal jarak(i)]; i = i + 1 i = 1 i > k ? modus = mode(data_knn) N Y hasil = modus

Gambar-2.Flowchart proses character recognition menggunakan k- nearest neighbours (KNN).

IV. H

ASIL DAN

P

EMBAHASAN A. Implementasi

Studi analisis pengenalan pola tulisan tangan angka Arabic (Indian) menggunakan metode k-

nearest neighbors (KNN) dan connected component labelingdiimplementasikan menggunakan bahasa

pemrograman MATLAB dan database Microsoft Access. Implementasi dapat dilihat pada Gambar-3 sampai Gambar-10.

Gambar-3. Antarmuka halaman awal.

Gambar-4. Antarmuka form template.

Gambar-5. Antarmuka form utama.

Gambar-7. Antarmuka form utama setelah proses normalisasi citra.

Gambar-8. Antarmuka form utama menampilkan hasil klasifikasi.

Gambar-9. Antarmuka form help.

Gambar-10.Antarmuka kotak dialog “Exit”.

B. Pengujian

Hasil pengujian klasifikasi pola tulisan tangan angka Arabic (Indian) untuk angka sample 0 sampai angka sample 9, ditunjukkan oleh Tabel-1, Tabel-2 dan Tabel-3. Tabel berisi hasil klasifikasi angka

Arabic (Indian) terbaik, dengan nilai k= 1, k= 3, dan

k = 5. Akurasi pengenalan angka Arabic (Indian) diperoleh dengan persamaan (4).

Akurasi =௕௔௡௬௔௞௡௬௔௞௔௥௔௞௧௘௥ௗ௜௞௘௡௔௟௜

௕௔௡௬௔௞௡௬௔௞௔௥௔௞௧௘௥௨௝௜ ∗ 100% (4)

Tabel-1. Hasil pengujian klasifikasi angka Arabic (Indian) dengan nilai k= 1. O u p u t C la ss Nama Sampel 0 1 2 3 4 5 6 7 8 9 Success (%) 0 10 0 0 0 0 0 0 0 0 0 100 1 1 8 0 0 0 0 1 0 0 0 80 2 0 0 9 1 0 0 0 0 0 0 90 3 0 0 2 8 0 0 0 0 0 0 80 4 0 0 1 0 9 0 0 0 0 0 90 5 0 0 0 0 3 7 0 0 0 0 70 6 0 0 1 0 0 0 9 0 0 0 90 7 0 1 0 0 0 0 0 9 0 0 90 8 0 0 0 0 0 0 1 0 9 0 90 9 0 0 0 0 1 0 1 0 0 8 80

Total Akurasi Pengenalan Angka Arabic (Indian) = 86%

Target Class

Tabel-2. Hasil pengujian klasifikasi angka Arabic (Indian) dengan nilai k= 3. O u p u t C la ss Nama Sampel 0 1 2 3 4 5 6 7 8 9 Success (%) 0 10 0 0 0 0 0 0 0 0 0 100 1 1 8 0 0 0 0 1 0 0 0 80 2 0 0 10 0 0 0 0 0 0 0 100 3 0 0 3 7 0 0 0 0 0 0 70 4 0 0 1 0 9 0 0 0 0 0 90 5 0 0 0 0 2 8 0 0 0 0 80 6 0 0 1 0 0 0 9 0 0 0 90 7 0 1 0 0 0 0 0 9 0 0 90 8 0 0 1 0 1 0 0 0 8 0 80 9 0 0 0 0 1 0 3 0 0 6 60

Total Akurasi Pengenalan Angka Arabic (Indian) = 84%

Target Class

Tabel-3. Hasil pengujian klasifikasi angka Arabic (Indian)

dengan nilai k= 5. O u p u t C la ss Nama Sampel 0 1 2 3 4 5 6 7 8 9 Success (%) 0 10 0 0 0 0 0 0 0 0 0 100 1 1 7 0 0 1 0 1 0 0 0 70 2 0 0 10 0 0 0 0 0 0 0 100 3 0 0 1 9 0 0 0 0 0 0 90 4 0 0 1 0 8 0 0 1 0 0 80 5 0 0 0 0 3 7 0 0 0 0 70 6 0 0 1 0 0 0 9 0 0 0 90 7 0 0 0 0 0 0 1 9 0 0 90 8 0 0 2 0 0 0 0 0 8 0 80 9 0 0 0 0 1 0 3 0 0 6 60

Total Akurasi Pengenalan Angka Arabic (Indian) = 83%

Target Class

Berdasarkan pengujian terhadap 10 (sepuluh) data sampel sejumlah seratus citra, didapatkan tiga hasil pengenalan terbaik dengan nilai k= 1, k= 3, dan k= 5. Akurasi pengenalan angka Arabic (Indian) dari ketiga nilai k tersebut, secara berturut-turut sebesar 86%, 84%, dan 83%. Besarnya akurasi ini dipengaruhi oleh kualitas citra tulisan tangan angka

Arabic (Indian), dan metode template matching yang

digunakan untuk menghitung kecocokan piksel citra latih dengan citra uji. Pada studi analisis ini, penulis menemukan kesalahan klasifikasi yang ditemukan pada pengenalan angka 9. Angka 9 pada beberapa

uji coba diklasifikasikan sebagai angka 6. Contohnya, pada pengujian dengan nilai k= 3 dan k= 5, persentase angka 9 secara tepat dikenali sebesar 60%, 30% dikenali sebagai angka 6, dan 10% dikenali sebagai angka 4. Pada citra latih angka

Arabic (Indian) 6 dan 9 ditemukan adanya

kemiripan bentuk, hal ini menjadi salah satu faktor yang menimbulkan jarak euclidean citra uji 9 lebih dekat dengan citra uji 6 pada nilai k= 3 dan k= 5.

V. P

ENUTUP

A. Kesimpulan

Penggunaan metode connected component labeling pada studi analisis ini dapat diandalkan,

ditunjukkan oleh elemen citra yang dipilih dengan batas secara manual dapat terpisah sebagai elemen mandiri sehingga dapat diklasifikasikan oleh k-

nearest neighbors (KNN). Dari tingkat akurasi yang

diperoleh menunjukkan metode k- nearest neighbors dan connected component labeling dapat digunakan untuk melakukan pengenalan pola tulisan tangan angka Arabic (Indian).

B. Saran

Saran yang dapat dilaksanakan untuk pengembangan lebih lanjut adalah dengan menggunakan perhitungan lain selain euclidean

distance untuk menghitung kemiripan antara citra uji

dan citra latih, seperti city block distance, manhattan

distance, atau lainnya. Menggunakan citra dan batas

manual yang dinamis, sehingga data latih dan penyeleksian objek dapat lebih beragam. Penambahan fitur kompresi citra, sehingga dapat memasukkan citra uji hasil dari pengambilan melalui kamera beresolusi tinggi. Menambahkan fitur agar aplikasi dapat mengenali objek lebih dari dua digit seperti puluhan, ratusan, ribuan, dan lain-lain.

D

AFTAR

P

USTAKA

[1] KBBI [Online]. 2012. http://kbbi.web.id/tulis

[2] UN Official Languages. 2014. http://www.un.org/ en/sections/about-un/official-languages/index.html [3] Mahmoud, S. A. & Olatunji, S. O. Automatic Recognition

of Off-line Hand-written Arabic (Indian) Numerals Using Support Vector and Extreme Learning Machines.

International Journal of Imaging (IJI). 2009; 2.

[4] Handariningsih, R. P. Application of Recognition and

Analysis of Handwriting Character Using Freeman Chain Code Method. 2011. http://library.gunadarma.ac.id

[5] Munir, R., Pengolahan Citra Digital dengan Pendekatan

Algoritmik. Bandung: Informatika. 2004.

[6] Prayudi, Y. & Wardhana, A. W. Penggunaan Metode

Template Matching untuk Identifikasi Kecacatan Pada PCB. s.l. Seminar Nasional Aplikasi Teknologi Informasi.

2008.

[7] Cunningham, P. & Delany, S. J., “k-Nearest Neighbour Classifier”, Issue Technical Report UCD-CSI-4. 2007. [8] Mardiana, T.,(2011),Pengenalan Plat Nomor Kendaraan

Menggunakan Metode Connected Labeling Dan K-Nearest Neighbor. [Online] Available at: http://www.academia.edu/5432594/

[9] Pressman, R. S.Rekayasa Perangkat Lunak. Yogyakarta: Penerbit Andi. 2002.

[10] Solomon, D., The Computer Graphics Manual2. New York: Springer. 2011.

[11] Kadir, A. & Susanto, A., Teori dan Aplikasi Pengolahan

Citra. Yogyakarta: Penerbit Andi. 2013.

[12] Putra, D. Pengolahan Citra Digital. Yogyakarta: Penerbit Andi. 2010.

[13] Brunelli, R. Technology of Vision Research Unit. 2008. [Online] Available at: http://tev.fbk.eu/TM/html/ PENGENALAN_PLAT_NOMOR_KENDARAAN_MEN GGUNAKAN_METODE_CONNECTED_COMPONEN T_LABELING_DAN_K-NEAREST_NEIGHBOR. [14] Wu, X., Kumar, V. & Quinlan, J. R. Top 10 Algorithm in